Como uma franquia de açaí abriu mais de 100 lojas com a Datlo

O desafio

Uma franquia de food service com mais de 60 unidades definia a abertura de novos pontos com um critério que nunca havia sido validado: cidades acima de determinado número de habitantes, aplicado de forma uniforme para todo o país, independente de região ou perfil de consumo. A decisão de abrir ou não uma unidade em uma cidade específica cabia à percepção de quem conduzia a expansão naquele momento, sem um processo documentado que outra pessoa pudesse repetir.

Essa lógica gerava três problemas concretos:

• Decisão não replicável: o critério de abertura mudava conforme quem estava na função. Trocas de time significavam recomeçar a lógica de decisão do zero.

• Risco de canibalização não mensurado: em cidades com mais de uma unidade, não havia forma de saber se novas aberturas estavam competindo com lojas já existentes antes de o problema aparecer no faturamento.

• Descolamento entre população residente e demanda real: o critério populacional ignorava se o público de fato circulava pelo local proposto. Bairros residenciais com boa população censitária tinham fluxo real baixo, enquanto pontos de menor densidade populacional mas alto fluxo de passagem eram descartados sem análise.

"A gente sabia abrir uma loja boa quando via. O problema era explicar por que aquela era boa antes de assinar o contrato."

A solução

O time de expansão estruturou a operação na plataforma da Datlo em quatro etapas, substituindo o critério fixo de população por uma leitura combinada de potencial de consumo, comportamento real de circulação e risco de sobreposição entre lojas.

O time abandonou o dado de censo demográfico, defasado em relação ao ano corrente, e passou a usar a base de projeção populacional da Datlo para estimar o potencial de consumo por município e região intramunicipal com um retrato mais próximo do presente. Isso corrigiu decisões que estavam sendo tomadas sobre um cenário populacional de anos atrás.

Para os pontos com potencial populacional indicado, o time cruzou a informação com fluxo mobile, que traz o volume real de pessoas circulando pela região a partir de dados de localização de celulares, e com a base de intensidade de fluxo por vias, que classifica trechos de ruas e avenidas por volume veicular e de pedestres. Essa combinação revelou pontos com baixa população residente mas fluxo de passagem elevado, coerentes com o padrão de consumo por conveniência da rede, e descartou regiões com boa população mas circulação real baixa.

Para cada unidade existente, o time construiu áreas de influência configuradas para deslocamento a pé e de carro, delimitando a área real de influência de cada loja considerando a malha viária, não um raio arbitrário. Isso definiu de forma objetiva o limite geográfico dentro do qual uma nova unidade competiria com uma loja já instalada, substituindo a pergunta sem resposta de "qual a distância mínima entre lojas" por um critério mensurável.

Com os critérios validados manualmente em uma amostra de cidades, o time subiu a localização das unidades atuais e uma métrica de performance de cada uma na IA de Expansão. O modelo cruzou dezenas atributos territoriais por unidade, incluindo as bases já validadas nas etapas anteriores, e devolveu um mapa classificado com o potencial de sucesso para novas aberturas em todo o território nacional, já considerando a proximidade de lojas existentes na penalização de áreas de canibalização.

 "Testar em dez cidades na mão validou o raciocínio. Rodar isso para o Brasil inteiro em segundos foi o que mudou a operação." 

Resultados

• Critério de abertura documentado e replicável: a decisão deixou de depender de quem estava na função. Qualquer pessoa do time consegue reproduzir a análise e chegar à mesma recomendação.

• Redução de risco de canibalização: com isócronas delimitando a área real de influência de cada unidade, novas aberturas passaram a ser avaliadas contra a malha existente antes da assinatura do contrato, não depois da queda de faturamento de uma loja vizinha.

• Leitura de demanda mais próxima da realidade: a combinação de projeção populacional com fluxo mobile e intensidade de vias substituiu um proxy estático de população por um indicador de circulação real, alinhado ao comportamento de compra por conveniência da rede.

• Escala sem aumento proporcional de tempo de análise: uma análise que levava horas por cidade, feita manualmente, passou a cobrir o país inteiro em segundos via IA, permitindo priorizar aberturas por potencial relativo entre regiões em vez de avaliar uma cidade de cada vez, além de conhecer regiões inexploradas.

"Antes a gente perguntava se dava para abrir ali. Agora a gente sabe, entre cem cidades, quais as dez que fazem mais sentido abrir primeiro."